DE102019218186A1 - Method of working crops in a field - Google Patents
Method of working crops in a field Download PDFInfo
- Publication number
- DE102019218186A1 DE102019218186A1 DE102019218186.4A DE102019218186A DE102019218186A1 DE 102019218186 A1 DE102019218186 A1 DE 102019218186A1 DE 102019218186 A DE102019218186 A DE 102019218186A DE 102019218186 A1 DE102019218186 A1 DE 102019218186A1
- Authority
- DE
- Germany
- Prior art keywords
- plants
- plant
- field
- general class
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B79/00—Methods for working soil
- A01B79/005—Precision agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
- A01B69/001—Steering by means of optical assistance, e.g. television cameras
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
Ein Verfahren (100) zum Bearbeiten von Pflanzen auf einem Feld, auf dem eine bestimmte Nutzpflanze angebaut ist, weist folgende Schritte auf: Auswählen (S102) eines Bearbeitungswerkzeugs zum Bearbeiten von Pflanzen; Erfassen (S104) eines Bilds von dem Feld, wobei das Bild (12) mit einer Positionsinformation korreliert wird; Bestimmen (S106) einer Position einer zu bearbeitenden Pflanze auf dem Feld unter Verwendung eines neuronalen Netzes (10), in das das erfasste Bild (12) eingegeben wird, wobei das neuronale Netz (10) mehrere spezifische Klassen (14 bis 17) und eine allgemeine Klasse (22) aufweist, wobei die Nutzpflanze zu einer der spezifischen Klassen (z.B. 14) gehört und Pflanzen, die nicht der Nutzpflanze entsprechen, sowohl zu einer der speziellen Klassen (z.B. 16) als auch zur allgemeinen Klasse (22), oder zumindest zur allgemeinen Klasse (22) gehören; Hinführen (S108) des Bearbeitungswerkzeugs zur Position der Pflanze; und Bearbeiten (S110) der Pflanze mit dem Bearbeitungswerkzeug.A method (100) for processing plants in a field on which a specific crop is grown comprises the following steps: selecting (S102) a processing tool for processing plants; Capturing (S104) an image of the field, the image (12) being correlated with positional information; Determining (S106) a position of a plant to be tilled in the field using a neural network (10) into which the captured image (12) is input, the neural network (10) having several specific classes (14 to 17) and one general class (22), the useful plant belonging to one of the specific classes (eg 14) and plants that do not correspond to the useful plant both to one of the special classes (eg 16) and to the general class (22), or at least belong to general class (22); Guiding (S108) the processing tool to the position of the plant; and processing (S110) the plant with the processing tool.
Description
Technisches GebietTechnical area
Die vorliegende Erfindung betrifft ein Verfahren zum Bearbeiten von Pflanzen auf einem Feld.The present invention relates to a method for working plants in a field.
Von den vielfältigen Aufgaben in der Landwirtschaft nimmt die Beikrautregulierung für den Ertragserfolg eine zentrale Rolle ein. Die Kosten für Pestizide sind erheblich und ihre Auswirkungen auf die Umwelt problematisch. Es werden daher vermehrt autonom arbeitende Systeme zur Bearbeitung von Pflanzen, d.h. Nutzpflanzen und Beikräutern, verwendet. Die Bearbeitung kann dabei mechanisch, z.B. durch eine Fräse, aber auch durch eine gezielte Ausbringung von Pestiziden, z.B. durch einen gesteuerten Sprayer, erfolgen. Auf diese Weise kann der Einsatz von Pestiziden vermieden oder zumindest reduziert werden, wodurch der Einfluss auf die Umwelt sowie der Kostenaufwand reduziert werden.Of the diverse tasks in agriculture, weed regulation plays a central role in the success of the yield. The cost of pesticides is significant and its impact on the environment is problematic. For this reason, autonomously working systems are increasingly being used to process plants, i.e. useful plants and weeds. The processing can be done mechanically, e.g. by a milling machine, but also by a targeted application of pesticides, e.g. by a controlled sprayer. In this way, the use of pesticides can be avoided or at least reduced, thereby reducing the impact on the environment and reducing costs.
Für die selektive (die zu bearbeitende Pflanze wird von anderen Pflanzen und dem Boden unterschieden) Pflanzenbearbeitung auf einem Feld ist es erforderlich, die Position einer zu bearbeitenden Pflanze auf einem Feld exakt zu erkennen. Dies kann durch unterschiedliche Objekterkennungsverfahren bewerkstelligt werden, wobei vor allem die optische Bilderkennung unter Verwendung eines Klassifizierers Einsatz findet. Dabei können eine semantische Segmentierung eines erfassten Bildes, aber auch eine Klassifikation des Bildes durchgeführt werden.For the selective (the plant to be worked is differentiated from other plants and the soil) plant cultivation in a field, it is necessary to exactly recognize the position of a plant to be cultivated in a field. This can be achieved by different object recognition methods, with optical image recognition using a classifier being used in particular. A semantic segmentation of a captured image, but also a classification of the image can be carried out.
In der Praxis werden Fahrzeuge bzw. Vorrichtungen zum Bearbeiten von Pflanzen auf Feldern, auf denen eine bestimmte Nutzpflanzenart angebaut ist und eine Vielzahl von unterschiedlichen Beikräutern wachsen, eingesetzt.In practice, vehicles or devices are used for processing plants in fields on which a certain type of crop is grown and a large number of different weeds are growing.
Für die Klassifikation von Pflanzen auf einem Feld ist es dabei ein naheliegender Ansatz, einen Klassifizierer zu verwenden, der mindestens eine Unterscheidung zwischen der angebauten Nutzpflanze (z.B. Zuckerrübe) und den auf dem Feld wachsenden Beikräutern ermöglicht. Falls der Klassifizierer jedoch auf einem Feld, auf dem eine andere Nutzpflanzart (z.B. Mais) angebaut ist, verwendet werden soll, weist dieses Vorgehen den Nachteil auf, dass annotierte Trainingsdaten für dieses Feld zu Verfügung stehen müssen bzw. neu aufzunehmen sind. Anschließend muss der Klassifizierer neu trainiert werden (z.B. ist eine Zuckerrübe ist auf dem Maisfeld ein Beikraut) bzw. es muss ein weiterer Klassifizierer hinzugefügt werden, der mit den neuen Trainingsdaten trainiert wird. Dieses Vorgehen zum Klassifizieren wird als One-vs.-Other-Vorgehen bezeichnet, da eine besondere Nutzpflanzenart von einer Vielzahl von Beikräutern unterschieden wird.For the classification of plants in a field, it is an obvious approach to use a classifier that enables at least one differentiation between the cultivated crop (e.g. sugar beet) and the weeds growing in the field. However, if the classifier is to be used on a field on which another crop type (e.g. maize) is grown, this procedure has the disadvantage that annotated training data must be available for this field or newly recorded. Then the classifier must be retrained (e.g. a sugar beet is a weed on the corn field) or another classifier must be added that is trained with the new training data. This classification procedure is referred to as the one-versus-other procedure, since a particular crop species is differentiated from a large number of weeds.
Soll eine Vorrichtung auf unterschiedlichen Feldern eingesetzt werden, auf denen unterschiedliche Nutzpflanzen angebaut sind, ist es aus diesem Grund effizienter, die einzelnen Beikraut- und Nutzpflanzenarten als eine eigene Klasse zu definieren, so dass z.B. eine artenspezifische Klassifikation von Pflanzen möglich ist. Der Klassifizierer weist dabei eine Vielzahl von Klassen auf, so dass die Pflanzen auf einem Feld folglich artenspezifisch erkannt werden können. Dieses Vorgehen wird als All-vs.-All-Vorgehen bezeichnet. Bei diesem Vorgehen ist es folglich möglich, dass der Klassifizierer auf mehreren Feldern, auf denen unterschiedliche Nutzpflanzen angebaut sind, einsetzbar ist, da jeweils eine eigene Klasse pro Nutzpflanzenart definiert ist.If a device is to be used in different fields on which different crops are grown, it is more efficient for this reason to define the individual weed and crop plant species as a separate class so that, for example, a species-specific classification of plants is possible. The classifier has a large number of classes so that the plants in a field can consequently be recognized in a species-specific manner. This approach is known as the all-versus-all approach. With this procedure it is consequently possible that the classifier can be used on several fields on which different crops are grown, since a separate class is defined for each crop species.
Es kann allerdings während eines Bearbeitungsvorgangs der Fall eintreten, dass unbekannte Pflanzen bzw. Pflanzen, die im Klassifizierer nicht definiert sind oder von ihm nicht erkannt werden, vorhanden sind, oder das ein Klassifikationsergebnis, das vom Klassifizierer ausgegeben wird, aufgrund variierender Umweltbedingungen (z.B. andere Bodenarten, unterschiedliches Saatgut mit anderer Genetik, nährstoffbedingte Wachstumsunterschiede, etc.) nicht ausreichend genau ist. Diese nicht in den Trainingsdaten vorhandenen Variationen bzw. unbekannten Pflanzen sollen jedoch mit möglichst wenig Aufwand direkt auf dem Feld nachtrainiert werden, so dass weiterhin eine genaue Unterscheidung zwischen den zu bearbeitenden Pflanzen und den nicht-zu-bearbeitenden Pflanzen möglich ist.However, during a processing operation it can happen that unknown plants or plants that are not defined in the classifier or are not recognized by it are present, or that a classification result that is output by the classifier is due to varying environmental conditions (e.g. other Soil types, different seeds with different genetics, nutrient-related growth differences, etc.) is not sufficiently precise. These variations or unknown plants that are not present in the training data should, however, be retrained directly in the field with as little effort as possible, so that an exact differentiation between the plants to be worked and the plants not to be worked is still possible.
Es wäre dabei eine naheliegende Lösung, Bilder der unbekannten Pflanze zu erfassen, diese Bilder mit Groud-Truth zu annotieren, um neue Trainingsdaten zu generieren, und den Klassifizierer anschließend mit den neu generierten Trainingsdaten zu trainieren. Dieses Vorgehen ist jedoch mit einem hohen Aufwand verbunden und lässt sich in der Praxis daher nicht effizient bewerkstelligen. Darüber hinaus ist es auf Feldern mit einem hohen Grad an Pflanzenbewuchs nahezu unmöglich, jede Pflanze exakt zu spezifizieren, um sie in den neuen Trainingsdaten zu annotieren.An obvious solution would be to acquire images of the unknown plant, annotate these images with Groud-Truth in order to generate new training data, and then train the classifier with the newly generated training data. However, this procedure is associated with a high level of effort and can therefore not be carried out efficiently in practice. In addition, in fields with a high degree of vegetation, it is almost impossible to specify each plant exactly in order to annotate it in the new training data.
Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren zum Bearbeiten von Pflanzen auf einem Feld bereitzustellen, das auf einfache Weise auf dem Feld angepasst werden kann.It is therefore the object of the present invention to provide a method for working plants in a field, which method can be easily adapted in the field.
FigurenlisteFigure list
-
1 zeigt ein Ablaufdiagramm des erfindungsgemäßen Verfahrens;1 shows a flow chart of the method according to the invention; -
2 zeigt ein neuronales Netz zum Bestimmen einer Position einer Pflanze auf einem Feld.2 shows a neural network for determining a position of a plant in a field.
Beschreibung der AusführungsformenDescription of the embodiments
Nachstehend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die beigefügten Figuren beschrieben.Embodiments of the present invention will be described below with reference to the accompanying figures.
Ein Fahrzeug, an dem eine Vorrichtung zum Bearbeiten der Pflanzen angebracht ist, fährt ein Feld entlang einer vorgegebenen Route ab und die zu bearbeitenden Objekte bzw. Pflanzen werden durch Ausführen des erfindungsgemäßen Verfahrens
Unter einem Feld kann eine abgegrenzte Bodenfläche für den Anbau von Nutzpflanzen oder auch ein Teil eines solchen Feldes verstanden werden. Unter einer Nutzpflanze wird eine landwirtschaftlich genutzte Pflanze verstanden, die selbst oder deren Frucht genutzt wird, z.B. als Nahrungsmittel, Futtermittel oder als Energiepflanze. Die Samen und folglich die Pflanzen werden vornehmlich in Reihen angeordnet, wobei zwischen den Reihen sowie zwischen den einzelnen Pflanzen innerhalb einer Reihe Objekte vorhanden sein können. Die Objekte sind jedoch unerwünscht, da sie den Ertrag der Pflanzen mindern oder einen störenden Einfluss während der Bewirtschaftung und/oder der Ernte darstellen. Unter einem Objekt kann jegliche Pflanze, die eine andere als die Nutzpflanze ist, oder jeglicher Gegenstand verstanden werden. Objekte können insbesondere Beikräuter, Hölzer und Steine sein.A field can be understood to be a delimited area of land for the cultivation of useful plants or a part of such a field. A useful plant is understood to be an agriculturally used plant that is used itself or its fruit, e.g. as food, feed or as an energy plant. The seeds and consequently the plants are primarily arranged in rows, it being possible for objects to be present between the rows and between the individual plants within a row. However, the objects are undesirable because they reduce the yield of the plants or represent a disruptive influence during cultivation and / or harvest. An object can be understood to mean any plant that is different from the useful plant, or any object. Objects can in particular be weeds, woods and stones.
Die Vorrichtung zum Bearbeiten von Pflanzen weist dazu mindestens die folgenden Elemente auf: ein Bearbeitungswerkzeug, ein Bilderfassungsmittel, verschiedene Sensorelemente (z.B. einen Positionssensor, einen Geschwindigkeitssensor, einen Neigungssensor, einen Abstandssensor usw.), eine Speichereinheit und eine Recheneinheit.For this purpose, the device for processing plants has at least the following elements: a processing tool, an image acquisition means, various sensor elements (e.g. a position sensor, a speed sensor, an inclination sensor, a distance sensor, etc.), a memory unit and a computing unit.
Die Vorrichtung zum Bearbeiten von Pflanzen ist auf einem dafür vorgesehenen Fahrzeug installiert, das durch eine Batterie betrieben wird, aber auch durch eine andere Energiequelle, wie etwa einen Verbrennungsmotor, betrieben werden kann. Die Vorrichtung kann darüber hinaus auch an einem landwirtschaftlichen Fahrzeug oder einem Anhänger für das landwirtschaftliche Fahrzeug angebracht sein. Die Vorrichtung wird dabei durch eine Energiequelle des Fahrzeugs betrieben, kann aber auch durch eine dafür vorgesehene separate Energiequelle betrieben werden.The device for processing plants is installed on a vehicle provided for this purpose, which is operated by a battery, but can also be operated by another energy source, such as an internal combustion engine. The device can also be attached to an agricultural vehicle or a trailer for the agricultural vehicle. The device is operated by an energy source of the vehicle, but can also be operated by a separate energy source provided for this purpose.
Das Bearbeitungswerkzeug ist ein mechanisches Werkzeug, das an einer beweglichen Vorrichtung angebracht ist, so dass es zu einer zu bearbeitenden Pflanze hin- oder davon weggeführt werden kann und so ausgebildet ist, dass damit eine Pflanze bearbeitet wird. Die bewegliche Vorrichtung ist zum Beispiel ein Arm mit Gelenken, der durch Elektromotoren oder eine Hydraulik bewegt wird. Das Bearbeitungswerkzeug ist z.B. eine Fräse, die die Pflanze, d.h. in diesem Fall ein Beikraut, im Bereich der Wurzeln abtrennt. Das Bearbeitungswerkzeug kann aber auch ein Sprayer sein, mit dem ein Pestizid in Richtung einer zu bearbeitenden Pflanze gesprüht wird. Es ist anzumerken, dass der Sprayer auch zum Ausbringen eines Pflanzenschutzmittels oder von Dünger auf eine Nutzpflanze eingesetzt werden kann. Darüber hinaus sind noch weitere Bearbeitungswerkzeuge, wie etwa ein elektrisches Bearbeitungswerkzeug, ein Laser, Mikrowellen, heißes Wasser oder Öl, denkbar. Das am Fahrzeug installierte Bearbeitungswerkzeug weist dabei eine spezifische räumliche Genauigkeit auf. Die räumliche Genauigkeit bei einer Fräse hängt von der beweglichen Vorrichtung und der mechanischen Ausgestaltung (z.B. dem Durchmesser) der Fräse selbst ab. Die räumliche Genauigkeit bei einem Sprayer hängt von einem Düsenwinkel des Sprayers ab. Die räumliche Genauigkeit bei einem Sprayer ist dabei um ein vielfaches geringer als bei einer Fräse. Darüber hinaus ist es auch möglich, dass mehrere Bearbeitungswerkzeuge an einer Vorrichtung zum Bearbeiten von Pflanzen angebracht sind, die gleichzeitig betrieben werden können. Es können auch unterschiedliche Arten von Bearbeitungswerkzeugen an derselben Vorrichtung zum Bearbeiten von Pflanzen angebracht sein.The processing tool is a mechanical tool which is attached to a movable device so that it can be guided towards or away from a plant to be processed and is designed in such a way that a plant is processed with it. The movable device is, for example, an articulated arm that is moved by electric motors or hydraulics. The processing tool is e.g. a milling cutter that cuts off the plant, i.e. in this case a weed, in the area of the roots. However, the processing tool can also be a sprayer with which a pesticide is sprayed in the direction of a plant to be processed. It should be noted that the sprayer can also be used to apply a crop protection agent or fertilizer to a crop. In addition, other processing tools, such as an electrical processing tool, a laser, microwaves, hot water or oil, are also conceivable. The processing tool installed on the vehicle has a specific spatial accuracy. The spatial accuracy of a milling cutter depends on the movable device and the mechanical design (e.g. the diameter) of the milling cutter itself. The spatial accuracy of a sprayer depends on a nozzle angle of the sprayer. The spatial accuracy of a sprayer is many times less than that of a milling machine. In addition, it is also possible that several processing tools are attached to a device for processing plants, which can be operated simultaneously. Different types of processing tools can also be attached to the same device for processing plants.
Das Bildererfassungsmittel ist eine Kamera, wie z.B. eine CCD-Kamera, eine CMOS-Kamera usw., die ein Bild im sichtbaren Bereich erfasst und als RGB-Werte oder als Werte in einem anderen Farbraum bereitstellt. Das Bilderfassungsmittel kann aber auch eine Kamera sein, die ein Bild im Infrarot-Bereich erfasst. Für das Erfassen von Pflanzen ist ein Bild im Infrarot-Bereich besonders geeignet, da eine Reflexion der Pflanzen in diesem Frequenzbereich deutlich erhöht ist. Das Bilderfassungsmittel kann aber auch z.B. eine Mono-, RGB-, Multispektral-, Hyperspektral-Kamera sein. Das Bilderfassungsmittel kann auch eine Tiefenmessung, z.B. durch eine Stereokamera, eine Time-of-Flight-Kamera usw., bereitstellen. Es ist möglich, dass mehrere Bilderfassungsmittel vorhanden sind, und dass die Bilder von den unterschiedlichen Bilderfassungsmitteln sowie die Daten von den verschiedenen Sensorelementen im Wesentlichen synchron erfasst werden.The image acquisition means is a camera, such as a CCD camera, a CMOS camera, etc., which acquires an image in the visible area and provides it as RGB values or as values in another color space. The image acquisition means can, however, also be a camera that acquires an image in the infrared range. An image in the infrared range is particularly suitable for capturing plants, as the reflection of the plants is significantly increased in this frequency range. The image acquisition means can also be, for example, a mono, RGB, multispectral, hyperspectral camera. The image acquisition means can also provide a depth measurement, e.g. by a stereo camera, a time-of-flight camera, etc. It is possible for a plurality of image acquisition means to be present and for the images from the different image acquisition means and the data from the various sensor elements to be acquired essentially synchronously.
Für den Betrieb der Vorrichtung zum Bearbeiten von Pflanzen sind weitere Daten erforderlich, die unter Verwendung von verschiedenen Sensorelementen erfasst werden. Die Sensorelemente können dabei einen Positionssensor, z.B. GPS, hochgenaues GPS usw., einen Geschwindigkeitssensor, einen Neigungssensor, einen Abstandssensor, aber auch andere Sensoren, wie etwa einen Wettersensor etc., umfassen.For the operation of the device for processing plants, further data are required, which are recorded using various sensor elements. The sensor elements can be a position sensor, for example GPS, high-precision GPS, etc., a speed sensor, an inclination sensor, a distance sensor, but also other sensors such as a weather sensor, etc. include.
Die Speichereinheit ist ein nichtflüchtiges gegenständliches Speichermedium, wie z.B. ein Halbleiterspeicher, in dem Daten längere Zeit gespeichert werden können. Die Daten bleiben in der Speichereinheit auch dann gespeichert, wenn keine Betriebsspannung an der Speichereinheit anliegt. Die Speichereinheit speichert ein Programm zum Ausführen des erfindungsgemäßen Verfahrens und dafür erforderliche Betriebsdaten. Zudem werden auf der Speichereinheit die vom Bilderfassungsmittel erfassten Bilder und die von den Sensorelementen erfassten Daten gespeichert. Es können aber auch andere Daten und Informationen in der Speichereinheit gespeichert werden.The storage unit is a non-volatile physical storage medium, such as a semiconductor memory, in which data can be stored for a longer period of time. The data remain stored in the storage unit even when there is no operating voltage on the storage unit. The memory unit stores a program for carrying out the method according to the invention and the operating data required for this. In addition, the images captured by the image capturing means and the data captured by the sensor elements are stored on the storage unit. However, other data and information can also be stored in the memory unit.
Das in der Speichereinheit gespeicherte Programm enthält Anweisungen in Form von Programmcode, der in einer beliebigen Programmiersprache geschrieben ist, die der Reihe nach ausgeführt werden, so dass das erfindungsgemäße Verfahren
Die Recheneinheit ist eine arithmetisch-logische Einheit, die in Form eines Prozessors (z.B. CPU, GPU, TPU) implementiert ist. Die Recheneinheit ist imstande, Daten von der Speichereinheit zu lesen und Anweisungen entsprechend dem Programm auszugeben, um das Bilderfassungsmittel, die Sensorelemente und Aktoren, wie etwa das Bearbeitungswerkzeug, die allesamt mit der Recheneinheit kommunikativ (kabelgebunden oder kabellos) verbunden sind, zu steuern.The computing unit is an arithmetic-logic unit that is implemented in the form of a processor (e.g. CPU, GPU, TPU). The computing unit is able to read data from the storage unit and output instructions in accordance with the program in order to control the image acquisition means, the sensor elements and actuators, such as the processing tool, all of which are communicatively (wired or wireless) connected to the computing unit.
Während eines Abfahrens werden die einzelnen Verfahrensschritte
- Eingangs wird in Schritt
S102 das Bearbeitungswerkzeug ausgewählt, mit dem die Pflanzen bzw. Objekte auf einem Feld bearbeitet werden sollen. Die räumliche Genauigkeit, mit der die Pflanzen durch das Bearbeitungswerkzeug bearbeitet werden, hängt dabei, wie oben beschrieben, von der Art des Bearbeitungswerkzeuges ab. Das Bearbeitungswerkzeug kann vor einem Start des Abfahrens des Felds für die gesamte Dauer des Abfahrens festgelegt werden. Das Bearbeitungswerkzeug kann aber auch während eines Abfahrens gewechselt werden.
- The input is in step
S102 the processing tool selected with which the plants or objects in a field are to be processed. The spatial accuracy with which the plants are processed by the processing tool depends, as described above, on the type of processing tool. The processing tool can be specified for the entire duration of the process before the start of the process of running through the field. However, the processing tool can also be changed during a run.
Anschließend wird in Schritt
Im nachfolgenden Schritt
Eine jeweilige Position der zu bearbeitenden Pflanzen auf dem Feld wird, wie bereits erwähnt, unter Verwendung eines neuronalen Netzes
Das Problem eine zu bearbeitende spezifische Pflanze (in den meisten Fällen die auf dem Feld wachsende Nutzpflanze) von anderen Pflanzen (meist Beikräuter) zu unterscheiden, kann durch das All-vs.-All-Vorgehen gehandhabt werden. Dieses Vorgehen bietet dabei den Vorteil, dass mehrere spezifische Klassen
Darüber hinaus kann jede beliebige Klasse, z.B. 16, des neuronalen Netzes
Wie bereits eingangs erläutert, kann bei Anwendung des All-vs.-All-Vorgehens jedoch der Fall eintreten, dass eine unbekannte Pflanze (meinst ein Beikraut, da die auf dem Feld wachsende Nutzpflanze bekannt sein sollte) durch das neuronale Netz
Im konkreten Fall, der in
Darüber hinaus wird das erfindungsgemäße neuronale Netz
Wird festgestellt, dass eine Bearbeitung der zu bearbeitenden Pflanzen auf dem Feld nur ungenügend ausgeführt wird, da viele Pflanzen auf dem Feld unbekannt sind oder eine starke Variation vorhanden ist, muss das neuronale Netz
Dazu werden neue Trainingsdaten für das betreffende Feld generiert, indem Bilder in einem Bereich des Feldes erfasst werden, in dem keine Nutzpflanzen wachsen, so dass ausschließlich Beikräuter in den Bildern vorhanden sind. Es kann dazu ein Bereich am Rand des Feldes erfasst werden. Falls die einzelnen Reihen des Feldes bekannt sind, in denen die Nutzpflanzen angesät sind, können Bilder auch in einem Bereich zwischen den Reihen erfasst werden. Anschließend werden in diesen Bildern alle Pflanzen vom Boden segmentiert und als zu der allgemeinen Klasse
Nachfolgend wird ein Verfahren zum Trainieren des erfindungsgemäßen neuronalen Netzes
Falls das neuronale Netz
Das erfindungsgemäße neuronale Netz
Nachdem die Position der zu bearbeitenden Pflanze auf dem Feld in Schritt
Anschließend wird die Pflanze in Schritt
Das vorgesehene Einsatzgebiet des erfindungsgemäßen Verfahrens bezieht sich auf autonome Feldroboter bzw. intelligente Anbaugeräte für die Bodenbearbeitung und Pflanzenschutz im Gemüse-, Garten- und Ackerbau. Grundsätzlich können die oben beschriebenen neuronalen Netze auch in anderen Bereichen eingesetzt werden, in denen unbekannte Objekte vorhanden sein können, die jedoch durch einen Klassifizierer zu klassifizieren sind.The intended area of application of the method according to the invention relates to autonomous field robots or intelligent attachments for soil cultivation and crop protection in vegetable, horticultural and arable farming. In principle, the neural networks described above can also be used in other areas in which unknown objects may be present, but which have to be classified by a classifier.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte Nicht-PatentliteraturNon-patent literature cited
- Long, J., Shelhamer, E., & Darrell, T. (2015). „Fully convolutional networks for semantic segmentation“. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440) [0023]Long, J., Shelhamer, E., & Darrell, T. (2015). "Fully convolutional networks for semantic segmentation". In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440) [0023]
- Jegou, S., Drozdzal, M., Vazquez, D., Romero, A., & Bengio, Y. (2017). „The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation“. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 11-19) [0023]Jegou, S., Drozdzal, M., Vazquez, D., Romero, A., & Bengio, Y. (2017). "The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation". In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 11-19) [0023]
Claims (10)
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019218186.4A DE102019218186A1 (en) | 2019-11-25 | 2019-11-25 | Method of working crops in a field |
PCT/EP2020/082822 WO2021105014A1 (en) | 2019-11-25 | 2020-11-20 | Method for treating plants in a field |
US17/756,198 US20220406039A1 (en) | 2019-11-25 | 2020-11-20 | Method for Treating Plants in a Field |
BR112022009841A BR112022009841A2 (en) | 2019-11-25 | 2020-11-20 | PROCESS FOR PROCESSING PLANTS ON A FIELD |
EP20811576.6A EP4064818A1 (en) | 2019-11-25 | 2020-11-20 | Method for treating plants in a field |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019218186.4A DE102019218186A1 (en) | 2019-11-25 | 2019-11-25 | Method of working crops in a field |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019218186A1 true DE102019218186A1 (en) | 2021-05-27 |
Family
ID=73544168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019218186.4A Pending DE102019218186A1 (en) | 2019-11-25 | 2019-11-25 | Method of working crops in a field |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220406039A1 (en) |
EP (1) | EP4064818A1 (en) |
BR (1) | BR112022009841A2 (en) |
DE (1) | DE102019218186A1 (en) |
WO (1) | WO2021105014A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017194399A1 (en) * | 2016-05-12 | 2017-11-16 | Bayer Cropscience Aktiengesellschaft | Recognition of weed in a natural environment |
US20190239502A1 (en) * | 2018-02-05 | 2019-08-08 | FarmWise Labs, Inc. | Method for autonomously weeding crops in an agricultural field |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017217258A1 (en) * | 2017-09-28 | 2019-03-28 | Robert Bosch Gmbh | Method for classifying plants |
US10747999B2 (en) * | 2017-10-18 | 2020-08-18 | The Trustees Of Columbia University In The City Of New York | Methods and systems for pattern characteristic detection |
WO2019215582A1 (en) * | 2018-05-06 | 2019-11-14 | Weedout Ltd. | Methods and systems for weed control |
-
2019
- 2019-11-25 DE DE102019218186.4A patent/DE102019218186A1/en active Pending
-
2020
- 2020-11-20 EP EP20811576.6A patent/EP4064818A1/en active Pending
- 2020-11-20 WO PCT/EP2020/082822 patent/WO2021105014A1/en unknown
- 2020-11-20 US US17/756,198 patent/US20220406039A1/en active Pending
- 2020-11-20 BR BR112022009841A patent/BR112022009841A2/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017194399A1 (en) * | 2016-05-12 | 2017-11-16 | Bayer Cropscience Aktiengesellschaft | Recognition of weed in a natural environment |
US20190239502A1 (en) * | 2018-02-05 | 2019-08-08 | FarmWise Labs, Inc. | Method for autonomously weeding crops in an agricultural field |
Non-Patent Citations (2)
Title |
---|
JÉGOU, Simon [u.a.]: The one hundred layers tiramisu: Fully convolutional DenseNets for semantic segmentation. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 21-26 July 2017, Honolulu, HI, USA, S. 1175-1183. - ISBN 978-1-5386-0733-6. DOI: 10.1109/CVPRW.2017.156. URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8014890 [abgerufen am 2019-12-19] * |
LONG, Jonathan ; SHELHAMER, Evan ; DARRELL, Trevor: Fully convolutional networks for semantic segmentation. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 7-12 June 2015, Boston, MA, USA. S. 3431-3440. - ISBN 978-1-4673-6964-0 (e). DOI: 10.1109/CVPR.2015.7298965. URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7298965 [abgerufen am 2019-11-25] * |
Also Published As
Publication number | Publication date |
---|---|
US20220406039A1 (en) | 2022-12-22 |
WO2021105014A1 (en) | 2021-06-03 |
EP4064818A1 (en) | 2022-10-05 |
BR112022009841A2 (en) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3782467B1 (en) | Method for identifying weeds within a defined row of plants of an agricultural area | |
EP4218381A1 (en) | Generation of digital processing maps | |
DE102018217742A1 (en) | Process for applying a spray to a field | |
DE102018222428A1 (en) | Process for applying a spray to an agricultural area | |
DE102015221085A1 (en) | Method and information system for recognizing at least one plant planted in a field | |
WO2021105019A1 (en) | Method for generating a plurality of annotated images | |
DE102018120756A1 (en) | Mobile analysis and processing device, method and carrier system | |
DE102019218192A1 (en) | Method of working crops in a field | |
DE102019203247A1 (en) | Vision-based steering assistance system for land vehicles | |
EP4064819B1 (en) | Method for treating plants in a field, for generating training data and for training a neural network | |
WO2021105017A1 (en) | Method for processing plants in a field | |
DE102019218186A1 (en) | Method of working crops in a field | |
EP3841444B1 (en) | Carrier system comprising a carrier and a mobile device for tilling the soil and/or for manipulating flora and fauna, and method therefor | |
DE102018222623A1 (en) | Process for automatic irrigation of plants | |
WO2020039046A1 (en) | Mobile analysis and processing device | |
DE102019209526A1 (en) | Monitoring a cultivation area | |
DE102022115549A1 (en) | Method for the optimized configuration of a camera system for row detection in a field | |
DE102018120755A1 (en) | Carrier system with a carrier and a mobile device for working the soil and / or for manipulating the flora and fauna and method therefor | |
WO2021105006A1 (en) | Method for estimating a course of plant rows | |
DE102020215877A1 (en) | Method of classifying plants for agricultural purposes | |
EP4161242A1 (en) | Method for cultivating row crops | |
DE102019201984A1 (en) | Control unit for use in agriculture | |
DE102020002721A1 (en) | Multi-row machine and method for the mechanical regulation of weeds and pests. | |
EP4133928A1 (en) | Method for automating an agricultural task | |
DE102022105448A1 (en) | Computer-implemented method and system for determining plant diseases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |